Rôle fonctionnel du microbiote intestinal : approche de modélisation des réseaux métaboliques par analyses omiques et applications aux maladies métaboliques

Functional role of the gut microbiota : through the modelling of metabolic networks via omics analysis, and applications on metabolic diseases

• Auteur / Autrice : Adèle Weber
• Direction : Hédi Soula, Nataliya Sokolovska
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique
• Date : Soutenance le 15/12/2021
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Physiologie, Physiopathologie et Thérapeutique (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Nutrition et obésités (approches systémiques) (Paris)
• Jury : Président / Présidente : Alessandra Carbone
• Jury : Examinateurs / Examinatrices : Anne Siegel
• Jury : Rapporteurs / Rapporteuses : Sabine Pérès, Oliver Ebenhöh

Mots clés

Mots clés contrôlés

Phénotype

Biologie -- Modèles mathématiques

Diabètes

Métabolisme

Obésité

Flore intestinale

Mots clés libres

Réseaux métaboliques

Microbiote intestinal

Obésité

Diabète

Apprentissage automatique

Théorie des graphes

Maladies métaboliques

Metabolic networks

Gut microbiota

Obesity

Diabete

Machine learning

Graph theory

Metabolic diseases

Résumé

Le microbiote intestinal (micro-organismes qui vivent dans l'intestin) s'est avéré avoir des liens forts avec des maladies métaboliques telles que l'obésité et le diabète. Tous les êtres vivants dépendent de réactions chimiques pour exister, l'ensemble de ces réactions est le métabolisme. Avec l'aide de bases de données, il est possible de déduire le métabolisme à partir de génomes, et de le modéliser à travers d'objets mathématiques appelés réseaux. L'objectif de ma thèse est de contribuer à la découverte de fonctions métaboliques du microbiote intestinal impliquées dans les maladies métaboliques. Je modélise le microbiote intestinal avec des réseaux métaboliques et j'étudie leur structure par la théorie des graphes, l'apprentissage automatique et l'inférence statistique, pour identifier les propriétés métaboliques associées aux phénotypes cliniques des maladies. D'un point de vue technique, je propose de nouvelles propriétés structurelles de réseaux métaboliques, et de nouvelles applications de mesures existantes comme le ''scope'' (l'ensemble de métabolites et enzymes pouvant être produits à partir de métabolites d'entrée). Afin de tester mes méthodes, j'ai aussi analysé des procaryotes issus de bases de données, en étudiant les liens entre la topologie de leurs réseaux et des variables environnementales (température de croissance, habitat et tolérance à l'oxygène).

The gut microbiota—the microorganisms that live in the gut in peaceful coexistence with their host—has been found to have strong links with metabolic diseases such as obesity and diabetes. All living beings rely on chemical reactions to exist, the set of all such reactions is the metabolism. By consulting public databases, it is possible to derive metabolism from genomes, and model it through a mathematical object called network. The aim of my thesis is to contribute to uncovering metabolic functions of the gut microbiota involved in metabolic diseases. I will be modelling the gut microbiota with metabolic networks, and studying their structure through graph theory, machine learning, and statistical inferences to pinpoint metabolic properties that may be involved in the clinical phenotypes of the diseases. From a technical point of view, I propose novel metabolic network structural properties, and new applications of measures such as the scope of a metabolic network (the set of metabolites and enzymes that are producible from a set of input metabolites), coupled with machine learning approaches. In order to test my methods on simpler models, prokaryotic species from public databases have also been analysed, where the links between single species network topology and prokaryotic environmental variables (growth temperature, habitat and oxygen tolerance) have been studied.